网络恶意信息中人物身份消歧与溯源鉴别方法与关键技术

The ambiguity of personal identity information in network information will lead to the misjudgement of malicious information in network. In addition, because of the characteristics of multi-modality and multi-media, the spread of malicious information is not only affected by the physical structure of the network, but also by a variety of psychological and social factors, so it is very difficult to identify the cross-domain origin of malicious information. Aiming at the above problems: 1. Construct the multi-modal personal identity disambiguation based on depth maps to solve the ambiguity of personal identity information in network information, and lay a foundation for degrading malicious information misidentification in network; 2.Research on the malicious information recognition based on multi model;3. Study the dynamic features of key users in information dissemination under multilingual environment, solving the problem that users of information dissemination are determined by various factors; 4. Study how to trace information source and user identification; 5. Construct the simulation platform of the multi-granularity parallel cross-domain to verify the algorithm model. This research can enrich the field of network security.

网络信息中人物身份信息的歧义，会造成网络恶意信息的误判。另外，因为网络恶意信息图文夹杂等多模态、多传播媒介的特点，并且传播不仅仅受到网络物理结构的影响，还受多种心理和社会等因素的影响，因此对恶意信息的跨域溯源鉴别非常困难。针对上述问题：1.构建基于深度图谱的多模态人物身份消歧，解决网络信息中的人物身份信息的歧义性，为降解网络恶意信息误识别打下基础;2.研究多模型集成学习的多模态恶意信息识别，解决图文夹杂恶意信息的识别;3.研究多语言环境下信息传播关键用户的动态画像,解决信息传播的用户受到各种因素确定;4.研究基于深度学习的信息的溯源鉴别，解决网络恶意信息的源头分析、跨域跨平台用户鉴别、基于情绪波动分析的用户鉴别，为网络恶意信息的传播管控打下基础;5.搭建多粒度并行的跨域网络恶意信息中人物身份消歧与溯源鉴别仿真平台，进行算法模型的验证。本研究能丰富网络舆情监控的舆情识别与管控理论。

从2020年1月项目开展研究以来，紧紧围绕研究计划，经过课题组的研究，取得了如下的进展：.①设计基于跨语言模型mBERT-base的恶意文本的判别。解决社交媒体中的跨语言恶意文本无法被快速鉴别的问题。②设计了多层级恶意用户识别模型Multi-Spam。解决了部分恶意用户通过关注和私信骚扰大量正常用户，而传统的基于内容识别的方法却识别不出来的问题；社交网络中隐含的用户间的潜在交互关系被忽略问题。在多个大规模真实数据上，和当的先进方法比，本方法具有良好的鲁棒性和先进性。③设计了多图卷积神经网络MGCN模型，抽取重要信息生成更为凝练的文本，并使用了一个远程监督生成DSG生成模型来解决过度生成问题。解决了文本过度生成问题。④设计了基于团体的节点表示模型G-GCN，解决了了团体特征对节点表示的影响被忽略问题；同时提出了时序图神经网络TG-GCN模型，解决了社交网络中人物和团体的动态变化。⑤设计了基于ERNIE结合Bi-LSTM、GCN两种结构构建了联合模型。解决了将预训练模型在网络不良信息检测的应用问题。⑥提出了一个基于句法和上下文注意力增强的实体关系联合抽取模型，解决了现有联合抽取模型在关系抽取中缺乏句法信息的引入；同时，设计了基于实体的上下文注意力模块，解决了关系判断相关的上下文信息被忽略的问题的基于注意力机制的全路径推理。⑦提出基于多注意力机制Bert-VGG19-TFN模型，解决的多模态网络信息溯源。⑧设计了基于BERT-Attention-BiLSTM模型的自动文本摘要生成模型。⑨设计了基于Transformer序列标注模型的网络非规范用语识别，解决了网络中如近音词、缩略语、书写变体等识别难题。⑩设计了知识图谱嵌入模型TransOD，解决网络舆情热点人名消歧任务难以有效地获取和融合文本和外部特征的问题。